企业面临的域名攻击威胁加剧，2024年每174次DNS请求中就有1次为恶意请求。攻击方式多样，包括网站仿冒、域名欺骗和邮件钓鱼等。AI技术使攻击手段更加精巧，增加了数据泄露风险。企业需加强防护措施，提高员工警惕，以应对不断变化的网络威胁。

本文介绍了通过HTTP管线化机制绕过WAF的原理与方法。HTTP管线化允许客户端在不等待响应的情况下发送多个请求，从而提高通信效率。实验中使用Burp Suite工具构造恶意请求，成功绕过WAF获取目标网站用户信息。

本研究提出了一种动态安全框架，旨在优化语言模型推理时的安全性，而无需修改模型权重。通过引入元批评机制，迭代更新安全提示，以增强对恶意请求和多样化安全任务的应对能力。

本文介绍了Graph Agent Network（GAgN），一种用于抵抗节点分类攻击的图结构代理网络。GAgN通过去中心化交互学习节点的全局感知，防止恶意消息传播，并在扰动数据集上实现最佳分类准确性。此外，研究探讨了大型语言模型（LLMs）的安全性，提出了SALAD-Bench和AgentHarm基准，评估LLMs在面对攻击时的表现及其防御能力，发现现有模型对恶意请求的顺从性问题。

本文介绍了在OpenResty Edge中启用Web应用防火墙（WAF）的方法，通过启用WAF规则集来保护应用程序免受恶意请求的攻击。可以设置WAF规则的动作，禁用和重新启用规则，并创建自定义规则集。OpenResty Edge的WAF实现高效，支持优化技术。